Login
Registrati
Reimposta password
Pubblica & Distribuisci
Soluzioni Editoriali
Soluzioni di Distribuzione
Temi
Architettura e design
Arti
Business e Economia
Chimica
Chimica industriale
Farmacia
Filosofia
Fisica
Geoscienze
Ingegneria
Interesse generale
Legge
Letteratura
Linguistica e semiotica
Matematica
Medicina
Musica
Scienze bibliotecarie e dell'informazione, studi library
Scienze dei materiali
Scienze della vita
Scienze informatiche
Scienze sociali
Sport e tempo libero
Storia
Studi classici e del Vicino Oriente antico
Studi culturali
Studi ebraici
Teologia e religione
Pubblicazioni
Riviste
Libri
Atti
Editori
Blog
Contatti
Cerca
EUR
USD
GBP
Italiano
English
Deutsch
Polski
Español
Français
Italiano
Carrello
Home
Riviste
International Journal of Mathematics and Computer in Engineering
Volume 2 (2024): Numero 1 (June 2024)
Accesso libero
Gender determination from periocular images using deep learning based EfficientNet architecture
Viji B Nambiar
Viji B Nambiar
,
Bojan Ramamurthy
Bojan Ramamurthy
e
Pundikala Veeresha
Pundikala Veeresha
| 31 ott 2023
International Journal of Mathematics and Computer in Engineering
Volume 2 (2024): Numero 1 (June 2024)
INFORMAZIONI SU QUESTO ARTICOLO
Articolo precedente
Articolo Successivo
Sommario
Articolo
Immagini e tabelle
Bibliografia
Autori
Articoli in questo Numero
Anteprima
PDF
Cita
CONDIVIDI
Article Category:
Original Study
Pubblicato online:
31 ott 2023
Pagine:
59 - 70
Ricevuto:
22 lug 2023
Accettato:
08 set 2023
DOI:
https://doi.org/10.2478/ijmce-2024-0005
Parole chiave
CNN
,
EfficientNetB1
,
periocular
,
fine-tuning
© 2024 Viji B Nambiar et al., published by Sciendo
This work is licensed under the Creative Commons Attribution 4.0 International License.
Fig. 1
Periocular region.
Fig. 2
CNN architecture.
Fig. 3
Stem layer for EfficientNet-B1 [19].
Fig. 4
Architecture for EfficientNet-B1 [19].
Fig. 5
Modules for EfficientNet-B1 [19].
Fig. 6
A subset of the dataset.
Fig. 7
Confusion matrix for CNN model built from scratch.
Fig. 8
Model accuracy for CNN built from scratch.
Fig. 9
Model loss for CNN built from scratch.
Fig. 10
Confusion matrix for CNN model built from scratch.
Fig. 11
Model accuracy for EfficientNetB1.
Fig. 12
Model loss for EfficientNetB1.
Classification report for fine-tuned EfficientNetB1.
Label
Precision
Recall
F1-score
1 (Male)
0.97
0.99
0.98
0 (Female)
0.99
0.97
0.98
Classification report for CNN model built from scratch.
Label
Precision
Recall
F1-score
1 (Male)
0.94
0.96
0.95
0 (Female)
0.95
0.93
0.94